Delegar tudo ao LLM sem pensar pode tornar programador dispensável

A tese: delegar sem pensar não funciona

O autor observa que, desde o início de 2025, cresce o número de pessoas que 'desligam o cérebro' ao usar LLMs: pedem uma ação - resumir texto, escrever código - e simplesmente assumem que funcionou. Niklas Gruhn chamou algumas variantes desse comportamento de ser um 'meat proxy' (proxy de carne): o humano atua apenas como um loop while ou for que repassa instruções ao modelo e, quando algo falha, pede ao próprio LLM para diagnosticar e corrigir. O autor reconhece que essa abordagem melhorou - em setembro de 2026, softwares desenvolvidos assim às vezes 'meio que funcionam' - e admite que é possível imaginar um futuro em que o desenvolvimento sem pensamento humano produza software de qualidade média, ou até que LLMs gerem ótimo software sem humano no loop.

Mas a consequência lógica é dura: se isso acontecer, não há razão para a empresa empregar o 'meat proxy' - ela pode rodar o LLM em loop e demitir o funcionário. Para o autor, não existe ponto em que essa metodologia funcione para o empregado.

O contraponto de Luke Burton: valor da tarefa

Luke Burton, em comentário citado no texto, argumenta que conseguir delegar assim diz mais sobre o tipo de trabalho do que se imagina: só dá para 'largar mão' de tarefas de baixo valor, que podem falhar. Em tarefas de alto valor, a probabilidade de acerto em uma tentativa é muito menor, e o humano precisa atuar como QA, gestor de engenharia e arquiteto. Burton relata um exemplo real: converter código para Bazel com agentes levou meses mesmo com supervisão constante, porque há requisitos intangíveis e difíceis de especificar, além de 'unknown unknowns'. Ele também questiona quem elogia a facilidade: se os agentes acertam tão facilmente, será que a pessoa já vinha trabalhando abaixo do próprio potencial?

Falhas fora da distribuição

O autor destaca que agentes se saem mal fora da distribuição de treinamento. Em comparações de uso de linguagens de programação, agentes são piores em linguagens obscuras. Exemplo mais drástico: em jogos de tabuleiro modernos como Lost Cities ou Dominion, um modelo de fronteira é pior que um humano razoável que nunca jogou. Ele relata ter visto um novato usar ChatGPT para aprender Dominion - o modelo errava cerca de metade das orientações e piorava o desempenho do jogador. Para o autor, isso mostra a lacuna atual entre humanos e agentes em problemas fora da distribuição: para ter bons resultados em código, é preciso notar esses casos e tratá-los.

Software que não funciona de verdade

Quando o autor testa softwares feitos por quem terceirizou o pensamento ao LLM, encontra problemas sérios: agentes que se overfitam a testes ou a métricas, e exemplos concretos como um bot de jogo no estilo AlphaZero mais fraco que um bot minimax com heurística ajustada por LLM, e um produto comercial com fluxo padrão que prendia o usuário em um loop infinito. Ele cita um 'thought leader' que declarou no Twitter que 'programação está resolvida' e cujos exemplos no GitHub ou não funcionavam ou funcionavam mal. O autor ressalva que fazer software 'works for me' para uso próprio é legítimo - ele mesmo o faz - a diferença está em colocar essa qualidade em produto comercial ou declarar a programação resolvida.

Ele cita ainda Thomas Dullien (Halvarflake), que aprovou a publicação dizendo que, quando afirma que LLMs não resolvem toda a programação, as pessoas o olham como louco. Gary Bernhardt, em tweets, descreve revisões que cortam diffs de agentes para 25% do tamanho original, com testes inúteis e lógica invertida. O autor conclui que quem faz grandes alegações de produtividade está se enganando, e que casos como o dos jogos de tabuleiro permitem medir isso objetivamente.

Por que a desculpa de relaxar é errada

Por fim, o autor rejeita o argumento de 'se todos seremos obsoletos, por que se esforçar?'. Se a obsolescência não é garantida, não há motivo para desistir; se ela está próxima e você precisa de dinheiro, agora é a hora de fazer o oposto de desligar o cérebro. Ele também contesta a ideia de uma janela de inércia em que seria possível 'aproveitar': empresas estão mais dispostas a demitir, e histórias de funcionários que sumiram e demoraram seis meses a dois anos para serem dispensados pertencem ao passado - a IA está sendo usada como desculpa para acabar com essa tolerância. Hoje e no futuro próximo seria o pior momento, em muito tempo, para tentar manter um emprego sem esforço e sem entregar valor.